通过使用Jupyter Notebook，总结了25条心得体会。内容太多，分2期给大家分享一下。

1.键盘快捷键

任何高级用户都知道，键盘快捷键将为你节省大量时间。Jupyter在以下菜单的顶部菜单下存储了键盘快捷列表： Help > Keyboard Shortcuts或通过H 在命令模式下按 （稍后会详细介绍）。每次更新Jupyter时都值得查看一下，因为会添加更多快捷方式。

访问键盘快捷方式的另一种方法，是使用命令面板：（ Cmd + Shift + P 或 Ctrl + Shift + P 在Linux和Windows上）。此对话框可按名称运行任何命令-如果不知道某个操作的键盘快捷键或要执行的操作没有键盘快捷键，则此对话框很有用。该功能类似于Mac上的Spotlight搜索。

常用快捷键：

• Esc 将带你进入命令模式，可以使用箭头键在笔记本中浏览。
• 在命令模式下：

A 在当前单元格上方插入一个新单元格， B 在其下方插入一个新单元格。 M 将当前单元格更改为Markdown， Y 将其更改回代码 D + D （按两次键）删除当前单元格

• Enter 从命令模式返回到给定单元格的编辑模式。
• Shift + Tab 显示刚刚在代码单元中键入的对象的文档字符串（文档），可以继续按此快捷键以循环浏览几种文档模式。
• Ctrl + Shift + - 从光标所在的位置将当前单元格拆分为两个。
• Esc + F 查找并替换代码，而不替换输出。
• Esc + O 切换单元格输出。
• 选择多个单元格：

Shift + J 或 Shift + Down 选择向下的下一个。您也可以使用Shift + K 或 Shift + Up选择向上 。 选定单元格后，即可批量删除/复制/剪切/粘贴/运行它们。当需要移动笔记本计算机的部件时，这很有用。 也可以使用 Shift + M 合并多个单元格。

2.整齐的变量显示

第一部分是众所周知的。通过用变量名或语句的未分配输出完成Jupyter单元格，Jupyter将显示该变量。这在处理Pandas DataFrame时特别有用，因为输出被整齐地格式化为表格。

还可以更改ast_note_interactivityModify kernel选项，以使Jupyter对任何变量或语句执行此操作，因此可以一次查看多个语句的值。

from IPython.core.interactiveshell import InteractiveShell
InteractiveShell.ast_node_interactivity = "all"

from pydataset import data
quakes = data('quakes')
quakes.head()
quakes.tail()

如果要为Jupyter的所有实例（笔记本和控制台）设置此行为，只需~/.ipython/profile_default/ipython_config.py 使用以下几行创建一个文件。

c = get_config()

# Run all nodes interactively
c.InteractiveShell.ast_node_interactivity = "all"

3.轻松链接到文档

在 Help菜单内， 找到指向常见库（包括NumPy，Pandas，SciPy和Matplotlib）在线文档的便捷链接。

同样不要忘记，通过在库，方法或变量添加之前，可以访问Docstring以快速获取语法参考。

?str.replace()

Docstring:
S.replace(old, new[, count]) -> str
Return a copy of S with all occurrences of substring
old replaced by new.  If the optional argument count is
given, only the first count occurrences are replaced.
Type:      method_descriptor

4.在笔记本中绘图

笔记本编辑图的小功能：

• %matplotlib notebook：提供交互性，但可能会有点慢，因为渲染是在服务器端完成的。
• Seaborn：建立在Matplotlib之上。只需导入Seaborn，您的matplotlib图就可以变得“更漂亮”，而无需进行任何代码修改。
• mpld3：为matplotlib代码提供了替代渲染器（使用d3）。
• 背景虚化
• plot.ly：可以生成漂亮的图，这曾经是一项付费服务?，最近才开源。
• Altair：是一个相对较新的Python声明式可视化库。它易于使用且可制作精美的图，但是自定义这些图的功能却不如Matplotlib强大。

5. IPython魔术命令

基于IPython内核，Jupyter可以访问IPython内核中的所有Magics。

# This will list all magic commands
%lsmagic

Available line magics:
%alias %alias_magic %autocall %automagic %autosave %bookmark %cat %cd %clear %colors %config %connect_info %cp %debug %dhist %dirs %doctest_mode %ed %edit %env %gui %hist %history %killbgscripts %ldir %less %lf %lk %ll %load %load_ext %loadpy %logoff %logon %logstart %logstate %logstop %ls %lsmagic %lx %macro %magic %man %matplotlib %mkdir %more %mv %notebook %page %pastebin %pdb %pdef %pdoc %pfile %pinfo %pinfo2 %popd %pprint %precision %profile %prun %psearch %psource %pushd %pwd %pycat %pylab %qtconsole %quickref %recall %rehashx %reload_ext %rep %rerun %reset %reset_selective %rm %rmdir %run %save %sc %set_env %store %sx %system %tb %time %timeit %unalias %unload_ext %who %who_ls %whos %xdel %xmode 
Available cell magics:%%! %%HTML %%SVG %%bash %%capture %%debug %%file %%html %%javascript %%js %%latex %%perl %%prun %%pypy %%python %%python2 %%python3 %%ruby %%script %%sh %%svg %%sx %%system %%time %%timeit %%writefile 
Automagic is ON, % prefix IS NOT needed for line magics.

6. IPython Magic –％env：设置环境变量

你可以管理笔记本的环境变量，而无需重新启动jupyter服务器进程。一些库（例如theano）使用环境变量来控制行为，％env是最方便的方法。

# Running %env without any arguments
# lists all environment variables# The line below sets the environment
# variable
%env OMP_NUM_THREADS%env OMP_NUM_THREADS=4

env: OMP_NUM_THREADS=4

7. IPython Magic –％run：执行python代码

%run可以从.py文件执行python代码。鲜为人知的是它还可以执行其他jupyter笔记本，这一点非常有用。

请注意，using %run 与导入python模块不同。

# this will execute and show the output from
# all code cells of the specified notebook
%run ./two-histograms.ipynb

8. IPython Magic –％load：从外部脚本插入代码

这将用外部脚本替换单元格的内容。您可以使用计算机上的文件作为源，也可以使用URL。

# Before Running
%load ./hello_world.py

# After Running
# %load ./hello_world.py
if __name__ == "__main__":
 print("Hello World!")

Hello World!

9. IPython Magic –％store：在笔记本之间传递变量。

该 %store 命令使您可以在两个不同的笔记本之间传递变量。

data = 'this is the string I want to pass to different notebook'
%store data
del data # This has deleted the variable

Stored 'data' (str)

现在，在新笔记本中…

%store -r data
print(data)

this is the string I want to pass to different notebook

10. IPython Magic –％who：列出全局范围的所有变量。

%who不带任何参数的命令将列出全局范围中存在的所有变量。

one = "for the money"
two = "for the show"
three = "to get ready now go cat go"
%who str

one three two

11. IPython Magic –计时

有两个IPython Magic命令可用于计时- %%time 和 %timeit。当有一些慢速代码并试图确定问题出在哪里时，这些功能特别方便。

%%time 将为您提供有关单元格中单次运行代码的信息。

%%time
import time
for _ in range(1000):
 time.sleep(0.01) # sleep for 0.01 seconds

CPU times: user 21.5 ms, sys: 14.8 ms, total: 36.3 ms Wall time: 11.6 s

%%timeit 使用Python timeit模块 ，该模块运行一条语句100,000次（默认情况下），然后提供最快的三次平均值。

import numpy
%timeit numpy.random.normal(size=100)

The slowest run took 7.29 times longer than the fastest. This could mean that an intermediate result is being cached.
100000 loops, best of 3: 5.5 μs per loop

12. IPython Magic – %% writefile和％pycat：导出单元格的内容/显示外部脚本的内容

使用 %%writefile 魔术将那个单元格的内容保存到一个外部文件中。 %pycat 执行相反的操作，并（在弹出窗口中）向您显示外部文件的语法高亮显示的内容。

%%writefile pythoncode.py 
import numpy
def append_if_not_exists(arr, x):
 if x not in arr:
 arr.append(x)def some_useless_slow_function():
 arr = list()
    for i in range(10000):
        x = numpy.random.randint(0, 10000)
    append_if_not_exists(arr, x)

Writing pythoncode.py

%pycat pythoncode.py

import numpy
def append_if_not_exists(arr, x):
 if x not in arr:
 arr.append(x)def some_useless_slow_function():
 arr = list()
 for i in range(10000):
 x = numpy.random.randint(0, 10000)
 append_if_not_exists(arr, x)

13. IPython Magic –％prun：显示您的程序在每个函数中花费了多少时间。

使用`％prun statement_name`将为您提供一个有序表，向您显示该语句中每个内部函数被调用的次数，每次调用所花费的时间以及该函数所有运行的累积时间。

%prun some_useless_slow_function()

26324 function calls in 0.556 seconds 
Ordered by: internal time 
ncalls tottime percall cumtime percall filename:lineno(function)
10000 0.527 0.000 0.528 0.000 :2(append_if_not_exists)
10000 0.022 0.000 0.022 0.000 {method 'randint' of 'mtrand.RandomState' objects}
1 0.006 0.006 0.556 0.556 :6(some_useless_slow_function)
6320 0.001 0.000 0.001 0.000 {method 'append' of 'list' objects}
1 0.000 0.000 0.556 0.556 :1()
1 0.000 0.000 0.556 0.556 {built-in method exec}
1 0.000 0.000 0.000 0.000 {method 'disable' of '_lsprof.Profiler' objects}